Shadowing Practice: Database vs Data Warehouse vs Data Lake | Explaining the Differences - Learn English Speaking with Video

בחר מצב תרגול

כל מצב פותח חדר תרגול במסך מלא.

42 משפטים

אם המשפטים קצרים או ארוכים מדי, לחץ על ערוך כדי להתאים אותם.

We live in a world that runs on data.

It's how Amazon and Netflix know which movies and products to recommend, how Starbucks manages a global supply chain,

and how Uber connects drivers with passengers in real time.

But the thing is, data skills aren't just for tech companies or professional analysts anymore.

Everyone works with data to some degree, and everyone can benefit from data literacy skills.

In this video, we're covering an important topic that will help you take your data literacy to the next level.

Alright, so accessing data is one thing, but organizing and storing it is a completely different beast.

So at a high level, some of the most common storage modes that you're likely to encounter include flat files, databases, data warehouses, and data lakes.

Now, there are other, less common storage methods and hybrid variations of these as well, but our goal here is really just to paint some broad strokes

and help you understand the key similarities and differences between them.

Now, the simplest method of data storage is a flat file,

which is typically a static tabular data extract saved either to a local drive or cloud storage like Google Drive or OneDrive.

And this is very common for one off projects or quick ad hoc analyses that don't require multiple data sources, ongoing maintenance or complex data models.

The most common types of flat files you'll see are CSVs and Excel workbooks.

Now, a database is a collection of related tables stored in a database management system, or DBMS.

Databases are typically used for recording and collecting data tied to a single application or business process,

like capturing transactional records or real-time website activity.

And they're usually optimized for online transactional processing,

known as OLTP, meaning that they're built to receive and store data as efficiently as possible, but aren't really ideal for querying or analysis.

Common database options include MySQL, Amazon RDS, Microsoft Access or SQL Server, and many, many more.

A data warehouse, on the other hand, is a database

or a collection of data sourced from multiple databases that's typically structured to support specific analytics needs

and is optimized for online analytical processing, or OLAP.

That basically just means it's built in a way

that makes it very easy and very fast for users to access the data they need for analytical purposes.

examples of data warehouse tools include Amazon Redshift, Google BigQuery, Snowflake, Teradata, and others.

And finally we have data lakes which are essentially a repository of both structured

and unstructured data sources often stored in their raw unprocessed state.

So we're talking about everything from CSV files to MP4s, PDFs, text documents, and so on.

Instead of getting Being cleaned and prepped on the way in, data is typically extracted from the lake and transformed for specific purposes,

often relating to machine learning or AI.

Some examples of data lakes include Amazon S3, Azure Data Lake, Google Cloud, and more.

Now, if you're feeling a little overwhelmed about what this all means, no need to worry.

I've worked in data analytics and business intelligence for over 15 years, and I still get confused by this stuff.

The good news is that unless you plan to become a data engineer, it's extremely unlikely that you would be the one building or configuring databases or warehouses.

In fact, in most cases, data engineers or architects are the ones primarily responsible for standing up these systems

and building the pipelines and automations that help the data flow from one place to another.

If you enjoyed this content and want to see more, we've got a brand new Data Literacy Foundations course, and it's entirely free.

You can check it out at mavenanalytics.io.

So whether you're an individual looking to build confidence, a leader seeking to empower and upskill your team, or a data professional just trying to to stay ahead of the curve,

this is the course for you.

We've got a lot to cover, so let's dive in.

הורד אפליקציה

כל מה שאתה צריך כדי לדבר בשטף

הגיית AIציון לכל משפט

תרגול IPAשלוט בכל צליל

אוצר מיליםבנה את מאגר המילים שלך

משחק אוצר מיליםלמד תוך כדי משחק

סרוק QR

Download on theApp Store Get it onGoogle Play

אותו ערוץ

How to Think Like a Data Analyst | Step-by-Step Guide

Business EnglishUniversity StudentsWorking Adults

FOR YOU

המלץ על סרטון

375 משפטים

Redis Crash Course - the What, Why and How to use Redis as your primary database

Daily ConversationUniversity StudentsWorking Adults

220 משפטים

How Modern Data Teams Work (Engineer, Analyst, Scientist, Architect, ML)

Daily ConversationUniversity Students

אוצר מילים והערות הגייה לשיעור הזה

שיעור הדיבור הזה ברמה B2 מבוסס על הסרטון “Database vs Data Warehouse vs Data Lake”. המילים שחוזרות הכי הרבה: database, lake, common, warehouse, Amazon. בסרטון הזה יש 42 משפטים ו-674 מילים לתרגול Shadowing. הדיבור נמשך 4:14. הדובר מדבר בקצב טבעי של כ-159 מילים בדקה, קרוב לשיחה יומיומית. רק 78% מהמילים נמצאות בין 3,000 המילים הנפוצות ביותר באנגלית, כך שאוצר המילים מאתגר.

אוצר מילים מרכזי בסרטון הזה

12 המילים המתקדמות ביותר בסרטון, עם ההגייה והמשמעות שלהן:

מילה	הגייה	משמעות
warehouse שם עצם	/ˈwɛə(ɹ)haʊs/	מַחְסָן
literacy שם עצם	/ˈlɪtəɹəsi/	אוֹרְיָנוּת
extract שם עצם	/ˈɛkstɹækt/	תַּמְצִית
tabular שם תואר	/ˈtæbjʊləʴ/	ערוך בטבל
similarity שם עצם	/ˌsɪm.ɪˈlæɹ.ɪ.ti/	דִּמְיוֹן
automation שם עצם	/ˌɔ.təˈmeɪ.ʃən/	אוֹטוֹמַצְיָה
organize פועל	/ˈɔɹɡənaɪz/	ארגן
transform פועל	/tɹænsˈfɔɹm/	לשנות
architect שם עצם	/ˈɑɹ.kɪˌtɛkt/	אַדְרִיכָל, אדריכלית
hybrid שם עצם	/ˈhaɪ.bɹɪd/	בֶּן תַּעֲרוֹבֶת
dive פועל	/daɪv/	צָלַל
curve שם עצם	/kɚv/	עקימה

Phrasal verbs שתשמעו

מילה	משמעות
stand up פועל	קָם

הגייה ששווה לשים לב אליה

הדובר משתמש ב-14 קיצורים וצורות מקוצרות, כמו you're, aren't, they're. אמרו אותם בצורה הקצרה, כפי שאתם שומעים אותם.

הצלילים של “sh” ו-“zh”: transactional /trænˈzækʃ(ə)nəl/, automation /ˌɔ.təˈmeɪ.ʃən/, variation /ˌvɛəɹiˈeɪʃn̩/
מילים ארוכות — שימו לב להטעמה: literacy /ˈlɪtəɹəsi/, transactional /trænˈzækʃ(ə)nəl/, analytical /ˌæn.əˈlɪt.ɪ.kəl/, analytics /ˌæn.əˈlɪt.ɪks/, repository /ɹɪˈpɒz.ɪ.t(ə.)ɹɪ/

צלילים שדוברי עברית מתקשים בהם:

/w/ — שפתיים מעוגלות, לא /v/: warehouse /ˈwɛə(ɹ)haʊs/, overwhelm /ˌoʊ.vɚˈwɛlm/, workbook /ˈwɝk.bʊk/, query /ˈkwɪɹ.i/
/æ/ — פתוח יותר מה-“אֶ” העברית, לא כמו “a” ב-“cup”: transactional /trænˈzækʃ(ə)nəl/, analytical /ˌæn.əˈlɪt.ɪ.kəl/, analytics /ˌæn.əˈlɪt.ɪks/, extract /ˈɛkstɹækt/, tabular /ˈtæbjʊləʴ/
/r/ — הלשון לא נוגעת בשום מקום, לא ה-“ר” הגרונית: warehouse /ˈwɛə(ɹ)haʊs/, literacy /ˈlɪtəɹəsi/, transactional /trænˈzækʃ(ə)nəl/, extract /ˈɛkstɹækt/, configure /kənˈfɪɡə(ɹ)/

איך לתרגל עם הסרטון הזה

הקשיבו לכל הסרטון פעם אחת בלי לדבר, ורשמו את המילים שאתם לא מכירים.
התחילו במהירות 0.75×, תרגלו Shadowing משפט אחר משפט, וחזרו למהירות רגילה כשזה מרגיש קל.
הקליטו את עצמכם והשוו למקור, תוך תשומת לב למילים כמו warehouse, literacy, extract.

מהי טכניקת השאדואינג?

שאדואינג היא טכניקת למידת שפה מבוססת מדע שפותחה במקור להכשרת מתורגמנים מקצועיים ופופולרית על ידי הפוליגלוט ד"ר אלכסנדר ארגואלס. השיטה פשוטה אך עוצמתית: אתה מקשיב לאודיו באנגלית ילידית וחוזר עליו בקול רם מיד — כמו צל העוקב אחרי הדובר עם עיכוב של 1–2 שניות בלבד. בניגוד להאזנה פסיבית או תרגילי דקדוק, שאדואינג מכריח את המוח והשרירים בפה לעבד ולשחזר דפוסי דיבור אמיתיים בו זמנית. מחקרים מראים שזה משפר משמעותית את דיוק ההגייה, האינטונציה, הקצב, הדיבור המחובר, הבנת השמיעה ושטף הדיבור — מה שהופך אותו לאחת השיטות היעילות ביותר להכנה לIELTS Speaking ולתקשורת באנגלית בעולם האמיתי.

טכניקת Shadowing: קרא את המדריך המלא שלב אחר שלב →

Shadowing Practice: Database vs Data Warehouse vs Data Lake | Explaining the Differences - Learn English Speaking with Video

בחר מצב תרגול

הורד אפליקציה

How to Think Like a Data Analyst | Step-by-Step Guide

Configure storage accounts | AZ-104 | Episode 16

What are KPIs and Metrics? | Data Fundamental for Beginners

What is Event Driven Architecture (EDA)?

What is a Server? Servers vs Desktops Explained

what is a database index?

Data Modeling Best Practices! Best Practices for Designing Your Data Models!

Database Sharding! Designing Data-Intensive Applications chapter 6

Amazon Athena explained in 120 seconds💡

SDLC Vs STLC: Software Development Life Cycle and Software Testing Life Cycle

Cache Systems Every Developer Should Know